專利名稱：基于混沌退火和參數擾動的神經網絡極值控制方法及系統的制作方法
技術領域：
本發(fā)明涉及人工智能控制技術領域，更具體地，本發(fā)明涉及一種基于混沌 退火和參數擾動的神經網絡極值控制方法及系統。
背景技術：
極值搜索系統(Extremum Seeking System)是一類廣泛存在于大眾的生產 和生活、工業(yè)控制及軍事應用等領域的實際系統，例如燃氣渦輪的噴射引擎燃 燒室控制系統、汽車和飛機的剎車控制系統、飛機的緊密編隊飛行控制、管狀 反應堆控制系統、以及人體鍛煉機控制系統，都屬于極值搜索系統的范疇。在 很多的實際極值搜索系統中，系統的參考輸入和輸出之間的參考軌跡很難被設 計者準確知曉，而且由于系統模型的不確定性和參數時變的影響，最終導致參 考軌跡上極值點所對應的搜索變量很難被確定。如何使極值搜索系統在受到不 確定性和參數時變的影響下，仍然能夠自適應地找到參考軌跡的極值點，使被 控系統的性能發(fā)揮到最佳狀態(tài)，是一個長久困擾控制界學者的問題。極值控制 方法的出現與JL艮為解決此類實際的控制問題提供了一種有效的手段。
目前，針對極值搜索系統的極值控制方法主要集中于基于正弦激勵信號 的極值控制方法和滑才莫極值控制方法。由于在這兩類才及值控制方法中都采用正 弦周期信號作為系統的激勵信號，導致了被控系統的搜索信號中始終夾雜著小 振幅的正弦周期信號，從而不能使得被控系統的輸出值漸近收斂至所求的極值 點，造成在極值點附近的正弦波動現象；而且對于極值搜索系統的輸出函數存 在多個極值點的情況，上述兩類極值控制方法都無法確保被控系統的輸出值收 斂至它的全局極值點，因而導致極值搜索系統具有的最佳性能不能得到充分的 發(fā)揮，造成能源的浪費。極值控制方法所存在的這些缺陷，在一定程度上限制 了該方法在實際極值搜索系統中，以及函數優(yōu)化問題中的應用。由于極值控制方法在工業(yè)生產和軍事應用領域具有巨大的應用潛力，能夠 極大地節(jié)約能源，最大限度的提高工業(yè)生產率和軍事戰(zhàn)斗力，為克服現有極值 控制方法的缺陷，研究新的極值控制方法具有非常重要的意義。發(fā)明內容為克服現有極值控制方法的缺陷，本發(fā)明提供一種基于混沌退火和參數擾 動的神經網絡極值控制方法及系統。根據本發(fā)明的一個方面，提供了 一種基于混沌退火和參數擾動的神經網絡極值控制方法，包括步驟10)、將極值搜索系統的控制問題轉化為求解此被控系統的輸出函數 中斜率為零的極值點問題；步驟20)、根據所述的極值點求解問題，構造一對具有約束條件的對偶優(yōu) 化問題；步驟30)、根據所述的具有約束條件的對偶問題，建立一種基于混沌退火 和參數擾動的神經網絡極值控制方法；步驟40)、通過所述的神經網絡極值控制方法的求解，可以得到極值搜索 系統的輸出為全局才及值時所對應的最優(yōu)搜索變量；步驟50)、根據所得的全局最優(yōu)的搜索變量，驅使極值搜索系統的輸出值 收斂至輸出函數的全局極值點，從而實現極值搜索系統的控制目的。其中，步驟20)進一步包括根據所述的極值點求解問題，確定一個具有 約束條件的最小化極值問題，應用對偶控制理論，存在另一個具有約束條件的 最大化極值問題，從而形成一對具有約束條件的對偶問題。其中，步驟30)中的基于混沌退火和參數擾動的神經網絡極值控制方法包 括三個不同的搜索控制階段，具體包括步驟310)、此極值控制方法的初始階段屬于混沌退火搜索階段，利用Lorenz 模型產生的混沌噪聲，直接將其引入至具有參數擾動的神經網絡中，通過不斷衰減混沌噪聲的幅度與混沌噪聲的接受概率來實現混沌退火的搜索過程；步驟320 )、此極值控制方法的中間階段屬于參數擾動搜索階段，利用參數擾動策略，使神經網絡的輸出值暫時擺脫初始搜索階段的收斂點的吸引，從而驗證初始的收斂點是否為全局極值點。通過參數擾動因子的逐漸衰減，使搜索過程逐漸進入極值控制方法的最終階段；步驟330 )、此極值控制方法的最終階段屬于神經網絡搜索階段，利用神經網絡自身的收斂性使極值搜索系統的搜索變量準確和漸近地收斂至它的全局極值點。根據本發(fā)明的第二方面，提供了 一種基于混沌退火和參數擾動的神經網絡 極值控制系統，包括模型仿真模式，用于確定基于混沌退火和參數擾動的神經網絡極值控制方 法中的各種調節(jié)參數，驗證所述控制方法在不同極值搜索系統中的全局搜索和控制能力，拓展所述控制方法在各種函數優(yōu)化問題中的應用；實時控制模式，通過多種不同的傳感器機構測量出反映被控對象特性的狀 態(tài)量，并通過相應的數據采集方式，將實測的狀態(tài)信息反饋回計算機中的實時 控制模式，利用所述控制方法，實時計算出相應的控制信號，通過數據驅動裝 置、數模轉換裝置和信號放大裝置，最終將控制信號提供給執(zhí)行機構，用于控 制極值搜索被控對象的輸出值，使之漸近收斂至輸出函數的全局極值點。其中，所述模型仿真模式和實時控制模式不僅對已保存的極值搜索系統具 有極值控制能力，而且可以擴展接受新的極值搜索系統模型，并對其進行極值 控制。其中，由所述實時控制模式構成的實時極值搜索控制系統進一步包括多 通道傳感器機構、數據采集模塊、數字信號驅動機構、數模轉換機構、電壓與 功率放大器以及執(zhí)行機構。其中，所述實時極值搜索控制系統中，多通道傳感器機構與極值搜索控制 對象相連接，用于測量反映被控對象特性的狀態(tài)量，包括溫度、壓力、距離、轉速、角度等狀態(tài)信號；數據采集模塊，位于多通道傳感器機構與所述實時控 制模式(控制器)之間，用于采集不同的測量信號，并對采集到的測量信號完 成模數轉換后，提供給實時控制模式；數字信號驅動機構與所述實時控制模式 相連接，用于提高數字信號的遠距離傳輸能力；數模轉換機構與數字信號驅動 機構相連接，用于將數字信號轉換為模擬信號；電壓、功率放大器與數模轉換 機構相連接，用于將轉換后的模擬信號進行適當的電壓和功率放大；執(zhí)行機構 與電壓、功率放大器相連接，用于接受控制信號，執(zhí)行相應的操作，完成對極 值搜索控制對象的輸出極值控制。 日j的極值搜索被控系統的輸出信號，計算得到相應的搜索信號和控制信號，驅使 被控系統的輸出值準確和漸近地收斂至所求的全局極值點；對于不同的函數優(yōu) 化問題，也可應用所述控制方法；所述控制方法能夠最大限度地節(jié)約能源，充 分發(fā)揮被控系統的性能，有助于發(fā)展節(jié)約型的生產模式。


圖1為基于混沌退火和參數擾動的神經網絡極值控制方法及系統的Matlab 軟件主界面圖；圖2為基于混沌退火和參數擾動的神經網絡極值控制系統中的模型仿真模 式的主界面圖；圖3為基于混沌退火和參數擾動的神經網絡極值控制系統中的實時控制模式的主界面圖；圖4為實時極值搜索控制系統的組成框架圖；圖5為Schaffer函數的輸出值與自變量之間的取值分布圖；圖6為分別采用基于混沌退火和M擾動的神經網絡極值控制方法與基于滑模變結構的極值控制方法時的Schaffer函數的輸出值仿真對比圖；滑模變結構的極值控制方法時的二階Schaffer函數的狀態(tài)變量;c,仿真對比圖8為分別采用基于混沌退火和M擾動的神經網絡極值控制方法與基于 滑模變結構的極值控制方法時的二階Schaffer函數的狀態(tài)變量^仿真對比圖9為采用基于混沌退火和參數擾動的神經網絡極值控制系統中的模型仿 真模式在三階系統Branin輸出函數模型中的仿真結果；
圖10為三階系統Branin輸出函數模型中三個狀態(tài)變量的仿真結果;
圖11為采用基于混沌退火和參數擾動的神經網絡極值控制系統中的模型仿 真模式在四階系統Six-Hump輸出函數模型中的仿真結果；
圖12為四階系統Six-Hump輸出函數才莫型中四個狀態(tài)變量的仿真結果；
圖13為分別采用基于混沌退火和參數擾動的神經網絡極值控制方法和基于 正弦激勵信號的極值控制方法在無人機緊密編隊飛行中相鄰機翼高度差的仿真 對比正弦激勵信號的極值控制方法在無人機緊密編隊飛行中相鄰機翼橫向距離差的 仿真對比正弦激勵信號的極值控制方法在無人機緊密編隊飛行中僚機所獲得的上洗力仿
真對比圖和局部放大對比圖16為采用自適應控制方法時航空發(fā)動機平均燃空比值f的仿真結果； 圖17為采用自適應控制方法時航空發(fā)動機燃燒室內振蕩壓力《的仿真結
果；
圖18為采用基于混沌退火和參數擾動的神經網絡極值控制方法時航空發(fā)動 機平均燃空比值f的仿真結果；
圖19為釆用基于混沌退火和參數擾動的神經網絡極值控制方法時航空發(fā)動 機燃燒室內振蕩壓力尸￡的仿真結果。
具體實施方式
下面結合附圖和具體實施例對本發(fā)明提供的一種基于混沌退火和參數擾動 的神經網絡極值控制方法及系統作詳細描述。本發(fā)明提出的 一種基于混沌退火和參數擾動的神經網絡極值控制方法，用 來控制極值搜索系統，使其輸出值準確和漸近地收斂至輸出函數的全局極值點， 提高了原有極值控制方法的搜索能力和穩(wěn)定效果。從實現來看，基于混沌退火動的神經網絡極值控制方法設計和混沌退火設計三部分，其中基于參數擾動的 神經網絡極值控制方法設計和混沌退火設計是本發(fā)明方法的關鍵。所述方法的 具體實現可以存放于系統中的一個控制模塊。所述控制模塊根據反饋接受極值 搜索被控系統的實測信號，利用所述控制方法，實時解算出相應的極值控制信根據一般極值搜索系統詳述本發(fā)明所提出的方法。 一、極值搜索機制設計考慮一類極值搜索系統的狀態(tài)方程和輸出函數為其中，JceR"， j/e股"和;veR分別表示系統的狀態(tài)向量，控制向量和輸出值。 /(x(f),"0)是系統的狀態(tài)方程，尸(x(W是系統的輸出函數。在使用基于正弦激 勵信號和基于滑模變結構的極值控制方法中，F(xW)要求只能具有一個極值點， 因為 一旦F(x(f))具有多個極值點時，這些方法就不能保證極值搜索系統的輸出 值收斂至輸出函數F(x(f))的全局極值點。而本發(fā)明所述方法研究的極值搜索系 統的輸出函數F(;cG》可以具有多個極值點。由于極值搜索系統(1)是可控系統，那么 一定存在控制律"(f) = A^),W可以穩(wěn)定此系統，其中04《,《，…，A]e股""是此系統的搜索向量。將控制律
t^卜yff(JC^")代入系統的狀態(tài)方程，可知當系統穩(wěn)定時， 一定存在如下關系
/(jc斥,李0e;c-剩 (2) 其中，/:iT^/ "是光滑函數。將(2)式代入到極值搜索系統的輸出函數，可 以得到新的輸出函數關系
<formula>formula see original document page 10</formula> (3)
在極值搜索系統中至少存在一組極值向量w =[《，《，...,《]r eir ，使得系統
的輸出值y收斂至輸出函數的極值點/，因而，依據數學的微分理論，存在如下
關系
湖
<formula>formula see original document page 10</formula>
并且，3，。()("〈o或者3，。()K
>0
膽 膽
將輸出函數(3)兩端對時間求微分后，可以得到下式:
(4)
其中，3^W)=
3《 W 眠 在極值搜索系統的控制中，要求被控對象的輸出值y收斂于其極值點/， 那么也即是要求搜索向量0必須收斂于它的極值向量<9'，從而才能使得系統輸出 滿足/=(尸。/)(^)。 一旦搜索向量^收斂于它的極值向量W處時，那么輸出函
數對于向量e各分量的偏導數的絕對值la(。l將等于零。本發(fā)明提出的基于混沌
退火和參數擾動的神經網絡極值控制方法的目的就是使|3(0|的各個分量在最短
的時間都收斂至各自的最小值，當然這一優(yōu)化過程必須受到(4)式的約束。 因此，可以將極值搜索控制問題轉化為<formula>formula see original document page 11</formula>(5)最小化目標 |^("| '約束條件考慮到條件^(0-(3(W|3(0)|=O，可將(5)式抽象為(6)式，然后即可[最小化目標 =L約束條件^(U) = Ml>-6 = 0<formula>formula see original document page 11</formula>(6)6 =其中，<formula>formula see original document page 11</formula>根據對偶性原理(所屬技術領域的普通技術人員應當清楚線性控制理論中 的對偶性原理)，上述極值搜索問題存在如下的對偶形式[最大化目標 g2(W)-67^ L約束條件/ 2(w)-M7^-c = 0<formula>formula see original document page 11</formula>(7)其中，"2化]L為"的對偶變量。通過上述分析， 一個極值搜索系統的極值控制問題可以轉化為在滿足如 (6)式和(7)式所示的約束條件下，應用所設計的基于混沌退火和參數擾動的神 經網絡使得g^和&(")最優(yōu)化的問題。這種極值搜索機制的設計，可以在不采用正弦激勵信號或者滑模變結構環(huán)節(jié)的搜索機制的情況下，應用基于混沌退火 和參數擾動的神經網絡極值控制方法保證極值搜索系統的輸出值準確和平滑地 收斂至輸出函數的全局極值點，消除系統狀態(tài)變量和輸出量的波動現象，同時 提高極值搜索算法的全局極值搜索能力。二、具有參數擾動的神經網絡極值控制方法設計本發(fā)明設計的具有參數擾動的神經網絡極值控制方法是將參數擾動項W 直接$I入到神經網絡的能量函數之中，通過對神經網絡才及值控制方法的設計，參數擾動項DW的影響將直接關系到神經網絡輸出值的穩(wěn)定性和最優(yōu)性。
設計具有參數擾動的神經網絡的能量函數為
￡(^) = ^(,)(g|(u)-g )24|A(,2+^P 『 (8)
其中，I II表示函數的Euc 1 id范數，擾動參數的數學形式D(O釆用DW =，-"' 或者DW-y(l +《"，且">1, />0和;7>0都是設計變量。通過調節(jié)a、 /和/7的 可以改變擾動員Z)(O對神經網絡的影響。
具有參數擾動的神經網絡極值控制方法的動態(tài)方程定義為沿能量函數(8) 式梯度的負方向遞減，具體形式為
苦=-辟) (9)
其中，向量t7-(U,fi071 ,V五((7)表示能量函數五(C7)的梯度，//是比例系數， 且為正數，通過調節(jié)//可以改變具有參數擾動神經網絡的收斂速度。令"p "2分
別表示神經元的內部狀態(tài)變量，其具體形式為
<formula>formula see original document page 12</formula> (13) 其中，u和w是此神經網絡的輸出向量，",和"2分別是與u和份具有同維的 向量，《()表示具有S型的激活函數，S型激活函數的具體形式為
<formula>formula see original document page 12</formula>此神經網絡的單元之間的權連接矩陣為<formula>formula see original document page 13</formula>,通過改變比例系數//，可以調節(jié)權連接矩陣和閾值向量的大小。三、基于混沌退火和參數擾動的神經網絡極值控制方法設計 為了使得本發(fā)明所述的控制方法對于具有任意形式輸出函數的極值搜索系 統都具有良好的全局極值搜索能力，在上述具有參數擾動的神經網絡極值控制方法的基礎上引入了混沌退火環(huán)節(jié)。應用Lorenz^^莫型產生混沌噪聲，并將其引 入到上述具有參數擾動的神經網絡中，作為神經網絡的混沌退火環(huán)節(jié)。利用混 沌的隨機性和遍歷性，提高神經網絡的全局搜索能力。通過理論分析證明基 于混沌退火和M擾動的神經網絡極值控制方法能夠以概率1漸近收斂至(6)式 和(7)式的極值問題的全局最優(yōu)解?；诨煦缤嘶鸷?擾動的神經網絡極值控制方法的具體形式為<formula>formula see original document page 13</formula><formula>formula see original document page 14</formula>其中，《(0,(/ = 1，2)表示混沌噪聲的接受概率，且始終i^)^0， u' = ^， ' = ^， A:,是Boltzmann常數，r是退火溫度，r。是初始的退火溫度，
參數randnum則表示在k，l]之間的隨機數，ra e
為最低置信度。r々)是混沌噪 聲的影響系數，且始終r,々)20， K((X;^l)表示混沌噪聲的影響系數r々)的衰減 因子。s一0和s一0是輸出向量u和w的增益系數。Lorenz模型映射如(23)式所
示，當^=10, ^-28和Cc-^時，(! = 1，2,3)將呈現混沌狀態(tài)。h,A]和[^,A]
表示混沌狀態(tài)& W和& W運動空間的范圍，其范圍大小的選^^根據極值搜索問 題的不同而不同， 一般選擇其大小滿足神經網絡未引入混沌退火時狀態(tài)變量Ml和 "2最大變化率的10%,且關于零點對稱，因此Lorenz模型被作為基于混沌退火 和參數擾動的神經網絡極值控制方法中混沌退火產生的機制。擾動參數項A W和A W的選取如(16)和(17)式所示，其中C表示正常數。 雖然擾動參數項Z)々)是某一正常數，這并不會影響所設計神經網絡的收斂性。 與上述所設計的具有參數擾動的神經網絡(如(IO) ~ (13)式)相比，此基于混沌退火和參數擾動的神經網絡只是引入了混沌噪聲項r,(,)和義=1，2),它們的引入增強了神經網絡的全局搜索能力。/^)是混沌退火的接受概率，隨著時 間的遞增，接受概率《w呈現遞減。在基于混沌退火和參數擾動的神經網絡極值控制方法的運行初始階段，利用Lorenz模型產生的混沌噪聲影響神經網絡輸出值的搜索能力，使得神經網絡 輸出具有遍歷性，隨著時間的遞增，接受概率i^)一定會小于最低置信度r。，此 時由(14) ~ (24)式所定義的基于混沌退火和參數擾動的神經網絡就逐漸進化為 由(IO) ~ (13)式所定義的具有參數擾動的神經網絡形式；利用擾動參數AW的 影響，使神經網絡的輸出值暫時擺脫初始搜索階段的收斂點的吸引，可以驗證 初始的收斂點是否為全局極值點；隨著時間的遞增，擾動參數A(,)也將收斂為零，其作用將逐漸減小直至可以忽略，此時具有參數擾動的神經網絡就逐漸進 化為一般的遞歸神經網絡，利用神經網絡自身的收斂性使得極值搜索系統的輸 出值準確和漸近地收斂至它的全局極值點。以上介紹了本發(fā)明所述控制方法的主要設計過程，下面根據本發(fā)明的具體 ^郎絡極值控制系統。圖1所示，包括兩種模式模型仿真模式和實時控制模式。其中，模型仿真模 式的主界面如圖2所示，實時控制模式的主界面如圖3所示，實時極值搜索控 制系統的組成框架圖如圖4所示，此圖包含了實時極值搜索控制系統中各功能 模塊的組成與連接關系，以及系統中信號的流向?；诨煦缤嘶鸷蛥禂_動的神經網絡極值控制系統中的模型仿真模式已經包括二階系統Schaffer輸出函數模型、三階系統Branin輸出函數模型、四 階系統Six-Hump輸出函數模型、無人機緊密編隊飛行控制、航空發(fā)動機燃燒主 動控制、飛行器平衡狀態(tài)解算、納什均衡解問題，這七個仿真實例。對于其中 沒有錄入的仿真實例，可以采用本系統的模型仿真模式中"仿真模型輸入區(qū)" 進行重新錄入，從而可以利用本發(fā)明所述的控制方法完成仿真-驗證。利用界面 中的"參數調節(jié)"彈出框可以對本發(fā)明所述控制方法中的各個參數進行調節(jié)。 基于混沌退火和參數擾動的神經網絡極值控制系統中的實時控制模式，主要根 據實際的極值搜索被控對象的模型進行實時的過程控制，模型輸入和參數調節(jié) 過程分別通過"極值搜索系統模型輸入區(qū)"和"參數調節(jié)"完成。以下實施例 將主要應用本發(fā)明所述系統中的模型仿真模式。 1、實施例1
針對一個具有Schaffer輸出函數的二階極值搜索系統，其具體形式為
<formula>formula see original document page 16</formula> —0.5 (26) |_1 + 0扁(<+^)」
系統采用控制律為
{wi=xi-《-x2 (27) w2 = jc2 - 2《
已知此Schaffer輸出函數具有一個全局極小值點min(:v(^x2))-:^0，0)--l, 在距離此全局極值點大約3.14范圍內存在無窮多個局部極小值將其包圍，并且 此輸出函數存在強烈振蕩，當系統的狀態(tài)變量滿足-10^i,;c^lO時，輸出函數 ;^/h，;0的取值分布圖如圖5所示。 一般的控制搜索方法4艮難得到它的全局極
值解。分別采用本發(fā)明提出的控制方法和基于滑模變結構的極值控制方法控制 上述二階極值搜索系統，狀態(tài)變量和輸出值的仿真對比結果如圖6、 7和8所示。 通過仿真結果可知，采用本發(fā)明提出的控制方法使得極值搜索系統的狀態(tài)變量和輸出值都能夠較快地收斂于其全局極值點，并且輸出值收斂于全局極值點后
并不存在波動現象；而基于滑模變結構的極值控制方法不能穩(wěn)定極值搜索系統 的狀態(tài)變量和輸出值，且輸出值不能收斂于它的全局才及值點。 2、實施例2
采用本發(fā)明所述系統的才莫型仿真模式完成對具有Branin輸出函數的三階極 值搜索系統的極值控制任務，此極值搜索系統的模型描述為
<formula>formula see original document page 17</formula>
系統采用控制律為
<formula>formula see original document page 17</formula>
已知此輸出函數存在三個全局極小值點，最終輸出函數的輸出值都是相同
的，即min;^0.3978。采用本發(fā)明提出的仿真軟件可以得到此極值搜索系統的仿 真結果，如圖9、 10所示。通過仿真結果可知，此三階系統能夠根據初始點的 位置搜索到距離自身最近的全局極值點，并且系統的輸出值收斂于此全局極值 點后不存在正弦波動現象。 3、實施例3
采用本發(fā)明所述系統的模型仿真模式完成對一個具有Six-Hump Camel-Back 輸出函數的非線性四階極值搜索系統的極值控制任務，此極值搜索系統的模型 描述為
<formula>formula see original document page 17</formula>系統采用控制律為
K = x, -2《+ 2a:3 + x4 (33) w2 = 0.25x， + 2jc2 - 02 +1.5x:3
已知上述四階極值搜索系統具有較強的非線性，同時此輸出函數存在六個 局部極小值點和二個全局極小值點，且輸出函數的最小值為min;^-1.0316，此 函數經常作為評定優(yōu)化方法優(yōu)劣的測試函數。基于本發(fā)明所述控制方法，得到 此非線性四階極值搜索系統的仿真結果如圖11、 12所示。通過仿真結果可知， 此極值搜索系統的狀態(tài)量仍然能夠迅速地搜索到距離初始位置最近的全局極值 點，并且被控系統的輸出值穩(wěn)定后不存在正弦波動問題。
4、實施例4
針對一組由兩架無人機組成的緊密飛行編隊的簡化后模型，如下式所示。
<formula>formula see original document page 18</formula>
(34)
其輸出方程為
々)= )2-5(;c3(,)+9)2+590 (35)
其中，A和A分別表示兩架無人機的相鄰機翼在垂直方向上的距離差和在 橫向上的距離差，^和A則分別表示兩架無人機在垂直方向上的速度差和在橫 向上的速度差，輸出值y表示僚機在長機的尾流場中受到的上洗力。顯然，上述 緊密編隊飛行模型具有的全局極值點是當《=0和《=-9時，最大上洗力為 /=590。
此系統采用控制律為
"i-20(《-a)-9x2 (36) w2 =35(02 —;c3)-15;x:4
分別采用本發(fā)明提出的控制方法和基于正弦激勵信號的極值控制方法控制 上述無人機緊密編隊飛行系統，狀態(tài)變量和輸出值的仿真對比結果如圖13、 14 和15所示。通過仿真對比結果可知，采用本發(fā)明提出的控制方法使得極值搜索 系統的狀態(tài)變量和輸出值都能夠較快地收斂于其各自的極值點，并且輸出值y收斂于最大上洗力/后并不存在波動現象；而基于正弦激勵信號的極值控制方法不能穩(wěn)定極值搜索系統的狀態(tài)變量和輸出值，且通過輸出值仿真結果的局部放 大圖可以看出，輸出值y的最終收斂結果存在明顯的波動現象。 5、實施例5針對航空發(fā)動機中燃燒室內的振蕩壓力《，其模型為<formula>formula see original document page 19</formula>其中，c;表示燃燒室的容積；4表示噴嘴的橫截面積；a:表示扼流方程常數；^表示噴嘴的有效長度；戶表示噴嘴處氣體密度；C,表示流量系數；^表 示出口處的橫截面積；？;表示燃燒室的出口溫度；"是此模型的控制輸入項，來 源于熱釋放導致的氣體流動；* 表示噴嘴流體常數。 此系統的控制律為<formula>formula see original document page 19</formula>其中，s表示在固定壓力下單位質量氣體的比熱；^表示穩(wěn)定態(tài)的噴嘴處 流速；A/^表示在一定燃空比下燃燒的熱釋放值；f表示燃燒室的平均燃空比值, 它是燃燒控制中的搜索變量；w是比例系數，用于推算燃燒模型的穩(wěn)定特性；^ 表示貧瘠燃料下的最小燃空比，p為一控制常數。此實施例的控制目的是通過對燃燒室的平均燃空比值f的極值控制，使得 燃燒室內的振蕩壓力《的振蕩范圍最小化。分別采用本發(fā)明提出的控制方法和自適應控制方法對上述航空發(fā)動機中燃 燒室內的振蕩壓力《進行極值控制。采用自適應控制方法時的仿真結果如圖16、17所示，采用本發(fā)明提出的控制方法時的仿真結果如圖18、 19所示，可以看出， 雖然自適應控制方法對振蕩壓力《的幅值有一定的抑制作用，但是并沒有使得《 的幅值收斂到一個最小值；而采用本發(fā)明提出的控制方法使得燃燒室內的平均 燃空比值f和振蕩壓力《的幅值都收斂至它們的最小值。
最后應說明的是，以上實施例僅用以說明本發(fā)明的技術方案及此控制技術 的有效性，但并不限于此，而是在應用上可以延伸到其他的修改、變化、應用 和實施例，并且因此認為所有這樣的修改、變化、應用、實施例都在本發(fā)明的 精神和范圍內。
權利要求
1、一種基于混沌退火和參數擾動的神經網絡極值控制方法，其特征包括步驟10)、將極值搜索系統的控制問題轉化為求解此被控系統的輸出函數中斜率為零的極值點問題；步驟20)、根據所述的極值點求解問題，構造一對具有約束條件的對偶問題；步驟30)、根據所述的具有約束條件的對偶問題，建立一種基于混沌退火和參數擾動的神經網絡極值控制方法；步驟40)、通過所述的神經網絡極值控制方法的求解，可以得到全局最優(yōu)的搜索變量；步驟50)、根據所得的全局最優(yōu)的搜索變量，驅使極值搜索系統的輸出值收斂至輸出函數的全局極值點，從而實現極值搜索系統的控制目的。
2、 權利要求l的方法，其中，步驟20)進一步包括根據所述的極值點求 解問題，確定一個具有約束條件的最小化極值問題，應用對偶控制理論，存在 另 一個具有約束條件的最大化極值問題，從而形成一對具有約束條件的對偶問 題。
3、 權利要求l的方法，其中，步驟30)進一步包括三個不同的搜索控制階段步驟310 )、此極值控制方法的初始階段屬于混沌退火搜索階段,利用Lorenz 模型產生的混沌噪聲，直接將其引入至具有參數擾動的神經網絡中，通過不斷 衰減混沌噪聲的幅度與混沌噪聲的接受概率來實現混沌退火的搜索過程；步驟320 )、此極值控制方法的中間階段屬于M擾動搜索階段，利用參數 擾動策略，使神經網絡的輸出值暫時擺脫初始搜索階段的收斂點的吸引，從而 驗證初始的收斂點是否為全局極值點。通過參數擾動因子的逐漸衰減，使搜索 過程逐漸進入極值控制方法的最終階段；步驟330 )、此極值控制方法的最終階段屬于神經網絡的精搜索階段，利用 神經網絡自身的收斂性使極值搜索系統的搜索變量準確和漸近地收斂至它的全 局極值點。
4、 一種基于混沌退火和參數擾動的神經網絡極值控制系統，其特征包括模型仿真模式和實時控制模式。
5、 權力要求4的系統，其中，模型仿真模式用于確定基于混沌退火和^ 擾動的神經網絡極值控制方法中的各種調節(jié)參數，-驗證所述控制方法在不同極 值搜索系統和各種函數優(yōu)化問題中的全局搜索和控制能力。
6、 權力要求4的系統，其中，實時控制模式通過反饋接受極值搜索被控系 統的實測信號，利用基于混沌退火和參數擾動的神經網絡極值控制方法，實時 計算出相應的控制信號，用于控制極值搜索系統的輸出值漸近收斂至輸出函數 的全局極值點。
7、 權力要求4的系統，其中，所述模型仿真模式和實時控制模式不僅對已 保存的極值搜索系統具有極值控制能力，而且可以擴展接受新的極值搜索系統 模型，并對其進行極值控制。
8、 權力要求4的系統，其中，由所述實時控制模式構成的實時極值搜索控 制系統進一步包括多通道傳感器機構、數據采集模塊、數字信號驅動機構、 數模轉換機構、電壓與功率放大器和執(zhí)行機構。
9、 權力要求4的系統，其中，所述的實時極值搜索控制模式中的多通道傳 感器機構可以測量包括溫度、壓力、距離、轉速、角度等多種狀態(tài)信號；數
全文摘要
本發(fā)明提出一種基于混沌退火和參數擾動的神經網絡極值控制方法及系統，控制方法采取將極值搜索系統的控制問題轉化為求解此被控系統的輸出函數中斜率為零的極值點問題；根據所述的極值點求解問題，構造一對具有約束條件的對偶問題；建立一種基于混沌退火和參數擾動的神經網絡求解對偶問題，其中包括混沌退火初始搜索階段、參數擾動中間搜索階段和神經網絡的最終搜索階段；通過所述的神經網絡極值控制方法的求解，可以得到全局最優(yōu)的搜索變量；根據所得的全局最優(yōu)的搜索變量，驅使極值搜索系統的輸出值收斂至輸出函數的全局極值點，從而實現極值搜索系統的控制目的。本發(fā)明提出的控制系統分為模型仿真模式和實時控制模式，分別從離線模型仿真和實時系統控制兩方面，實現本發(fā)明所述控制方法在極值搜索系統中的應用。
文檔編號G05B13/02GK101408752SQ20081016948
公開日2009年4月15日 申請日期2008年10月21日 優(yōu)先權日2008年10月21日
發(fā)明者斌 左, 靜 李, 胡云安 申請人:中國人民解放軍海軍航空工程學院